CN115249133A - 一种基于宽度学习网络的建筑施工过程风险分类方法 - Google Patents
一种基于宽度学习网络的建筑施工过程风险分类方法 Download PDFInfo
- Publication number
- CN115249133A CN115249133A CN202211158599.2A CN202211158599A CN115249133A CN 115249133 A CN115249133 A CN 115249133A CN 202211158599 A CN202211158599 A CN 202211158599A CN 115249133 A CN115249133 A CN 115249133A
- Authority
- CN
- China
- Prior art keywords
- feature
- layer
- node
- characteristic
- node group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000008569 process Effects 0.000 title claims abstract description 41
- 238000009435 building construction Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000010354 integration Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000010276 construction Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 11
- 230000006378 damage Effects 0.000 claims description 11
- 208000027418 Wounds and injury Diseases 0.000 claims description 10
- 208000014674 injury Diseases 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 8
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 239000013604 expression vector Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于宽度学习网络的建筑施工过程风险分类方法。所述方法包括以下步骤:建立关键词到词向量的转化模型;构建宽度特征提取模块;构建特征节点组切片并定义切片运算过程;使用集成层对多个切片运算结果进行校正和统合;进行建筑施工过程风险分类。本发明用以解决现有机器学习算法依赖专家经验,需要大量人工设计工作,亦或是深度算法耗时的训练阶段等问题,本发明方法能够运行在普通的CPU边缘设备上。
Description
技术领域
本发明属于计算机应用技术领域,具体涉及一种快速训练的建筑工地风险分析方法。
背景技术
建筑行业作为我国的支柱产业之一,对我国经济发展起到至关重要的作用。然而,建筑工程的安全问题至今仍是一个具有挑战性的问题。我国在过去的二十多年间,在建筑工程领域的的工人伤亡率是其他领域平均值的三到四倍。据房屋安全市政工程安全事故类型的分析统计数据,建筑工人伤亡率居高不下的五种事故类型分别为高处坠落、坍塌、物体打击、机械伤害、触电等。施工方忽视工人安全教育,施工现场管理混乱,工人安全意识疏忽,有关部门疏于安全监督等均是导致安全事故发生的原因。事故的发生不仅仅造成了巨大的经济损失,更对伤亡工人本人及家属造成了难以逆转的生理和心理伤害。
在工地事故发生之后,会有专业的人员记录下事故发生的过程,整理成事故报告。这些报告为研究建筑工地安全问题提供了数据来源。通过分析这些事故报告,给可能发生的风险进行分类预测,可以给建筑施工方敲响预警,有效预防类似事故的发生。在事故报告中,事故的类型多种多样,事故发生的现场也复杂多变,这使得建模工作变得复杂。在目前的研究中,一种基于复杂网络的房屋建筑施工风险评价方法(CN113505997A)的文献提出了一种提炼属性参数,并使用ABC统计分类的方法,但该方法依赖专家经验对属性进行评估。一种基于机器学习的建筑墙面渗漏水风险登记评估方法(CN113505997A)的文献提出一种使用k折交叉验证的风险评估方法,但模型需要人工设计特征提取的过程,耗费人力。基于深度循环神经网络的事故信息自动提取方法及***(CN111651995A)的文献提出了使用的双向长短期记忆深度神经网络对事故报告中的信息进行处理,但深度网络需要提前进行迭代训练,耗费大量时间和算力。因此,提出一种自动化提取特征,并且能快速训练的模型对建筑风险分析具有较高的实用价值。
发明内容
目前在建筑工地风险分析领域中已有的模型和算法普遍存在一些问题。目前已有的的风险分析方法要么采用机器学习的方法,要么采用深度网络的结构来提取事故报告中的特征。前者需要依赖专家经验,并投入大量的人力进行特征提取。后者虽然不需要人工提取特征,而是使用神经网络进行自动提取,但神经网络需要经过耗时的训练阶段,且严重依赖算力设备。因此,针对现有技术的不足,本发明提供一种能自动提取文本中的特征,且能够快速完成训练阶段的建筑工地算法,该算法减轻了模型对建筑领域专家经验的依赖,且轻度依赖算力设备,极其适合运用在一些边缘设备端。
本发明的目的至少通过如下技术方案之一实现。
一种基于宽度学习网络的建筑施工过程风险分类方法,包括以下步骤:
S1:建立关键词到词向量的转化模型;
S2:构建宽度特征提取模块;
S3:构建特征节点组切片并定义切片运算过程;
S4:使用集成层对多个切片运算结果进行校正和统合;
S5:进行建筑施工过程风险分类。
进一步地,步骤S1中,关键词包括多个建筑工地的属性,建筑工地的属性包括建筑工地的现场环境条件、工人的操作手法和其它的人为因素;通过有限个建筑工地的属性,表示各种各样的建筑工地情况,暗示即将出现的伤害和风险,因此建筑工地的属性被称之为伤害前兆;
采用word2vect构建关键词到词向量的转化模型,word2vect属于监督学习,转化
模型包括输入层,隐藏层和输出层;每个关键词在词典中都会有自己的编号以及对应的
one-hot向量,one-hot向量作为输入层的输入;输入层与一个第一矩阵相乘得到隐藏
层,隐藏层继而跟一个第二矩阵相乘得到输出层;目标函数旨在拉近输入层和输出层
之间的距离,使两者尽可能相近;转化模型将输入的one-hot向量乘第一矩阵的结果作
为关键词的词向量,第一矩阵的每一列都是训练好的词向量;通过已有的文本数据对转
化模型进行训练,得到训练完成的转化模型,进而获得各个关键词所对应的词向量。
进一步地,步骤S2中,采用扁平的宽度结构构建宽度特征提取模块,旨在提取出关键词中包括的重要特征以及关键词间的复杂联系;宽度特征提取模块以关键词转化的词向量作为输入,宽度特征提取模块的构建过程包括以下步骤:
S2.1、定义宽度特征提取模块的数据输入格式,定义单个样本数据为只包括关键词的文本,宽度特征提取模块的输入规格将受样本数量,样本长度影响,具体如下:
对于一组训练的数据,,表示样本数量,表示第i个样本
数据,包括多个反映建筑工地情景的关键词;表示第i个样本数据的样本标签;表示
输入到宽度特征提取模块的样本数据,,,表示域,表示一
个样本数据中关键词的最大数量,表示词向量的大小;,,表示
样本数据的输出矩阵,又称为目标空间,表示标签类别;在建筑工地风险分析场景中,
代表着建筑工地施工情景的风险等级,包括物体打击、机械伤害、触电、高处坠落和坍塌;
S2.2、构建宽度特征提取模块的特征层,具体如下:
通过将词向量一一映射到新的子空间的形式,来获取单个关键词的特征表示;子空间由小到大分别为特征节点、特征节点组和特征层;其中,特征层只有一个且包括多个特征节点组,每个特征节点组包括多个特征节点;
定义特征层为,,M表示特征节点组的数量;单
个特征节点组与特征节点的关系表示为,,表示第m个特征节点
组,表示第m个特征节点组中第j个特征节点,J为每个特征节点组内特征节点的数量;
第m个特征节点组中第j个特征节点表示为,和分别为随
机生成的第m个特征节点组中第j个特征节点的权重和偏置,X m 为X对应的第m列数据,特征
节点组和X的列维度是一一对应的;为第一激活函数,第一激活函数采用tanh;
S2.3、构建宽度特征提取模块的全局增强层,具体如下:
在已获得的宽度特征提取模块的特征层的基础上,构造第一随机矩阵和第二
随机矩阵参与计算,得到具有全局信息的增强节点,为第二
激活函数,第二激活函数采用sigmod函数;全局增强层表示为多个特征节点合并,即;其中,表示第个增强节点,由特征层、第一随机矩阵
和第二随机矩阵计算得到。
进一步地,步骤S3中,所述特征节点组切片,通过将大尺寸的矩阵分成多个小矩阵,达到减少计算复杂度,加快计算速度的作用;构建特征节点组切片包括以下步骤:
S3.1、定义特征节点选择策略,具体如下:
在特征层的所有特征节点组中,通过特征节点选择策略选取部分特征节点,即进
行特征节点选择;定义在第轮特征节点选择中,每个特征节点组激活的特征节点的数量
为;定义每个特征节点都具有一个置信值,在第m个特征节点组的第轮特征节点选择
中,第个特征节点的置信值的计算公式为:
定义概率,以为概率在个特征节点中选择个特征
节点;若出现同一特征节点被多次选中,则抛弃最后一次的选择结果并重新选择,直至不出
现重复选择的特征节点;定义二值矩阵描述第轮特征节点选择,,为二
值矩阵中第行第列的元素;如果为1,则代表第个特征节点组的第个特征节
点被激活;如果为0,则代表第个特征节点组的第个特征节点不参与计算;
则经过轮特征节点选择后,得到记录切片中已激活的特征节点信息的矩阵集,其中,为第轮特征节点选择得到的二值矩阵;特征节点组切片集
表示为,其中,表示以二值矩阵对特征层进行筛选所
得到的特征节点组切片;特征节点组切片集中的每个元素为多个选中的特征节点拼接
而成的矩阵;
S3.2、构造切片运算输入层,具体如下:
S3.3、进行切片运算,具体如下:
进一步地,步骤S4中,对于特征节点组切片对应的切片运算的结果,,将切片运算的结果映射到一个子网络空间,是一个径向基函数,和采用稀疏自编码器生成;将所
有特征节点组切片对应的切片运算的结果映射得到的多个子网络空间进行合并,得到了;定义第二权重,使得,Y表示目标空间;通
过以下公式计算得到:
进一步地,步骤S5中,进行建筑施工过程风险分类过程具体如下:
与现有技术相比,本发明具有如下的优点与技术效果:
1、在建立特征提取模型中,将词向量与特征节点组一一映射,使得关键词被多角度地丰富表示。在此基础上,生成全局增强层,用以学习关键词间的联系。特征提取流程不需要复杂的人工设计,更加省时省力。
2、在构建特征节点组切片中,考虑选取特征节点组中的部分节点与全局增强层组合成切片进行运算,且使用伪逆方法进行模型学习,使得训练过程一步到位,快速高效。
3、本发明可以运用在普通的CPU边缘计算设备中,不需要依赖GPU便能进行部署。
附图说明
图1为本发明实施例中一种基于宽度学习网络的建筑施工过程风险分类方法的流程示意图。
图2 为本发明实施例中的模块结构示意图。
图3为本发明实施中去除特征节点组切片模块的模型的示意图。
图4 为本发明实施中去除全局增强层模块的模型的示意图。
图5 为本发明实施中完整的模型的示意图。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,以下结合附图,进行进一步的详细说明,但本发明的实施和保护不限于此。
实施例1:
一种基于宽度学习网络的建筑施工过程风险分类方法,如图1、图2和图5所示,包括以下步骤:
S1:建立关键词到词向量的转化模型;
关键词包括多个建筑工地的属性,建筑工地的属性包括建筑工地的现场环境条件、工人的操作手法和其它的人为因素;通过有限个建筑工地的属性,表示各种各样的建筑工地情况,暗示即将出现的伤害和风险,因此建筑工地的属性被称之为伤害前兆;
采用word2vect构建关键词到词向量的转化模型,word2vect属于监督学习,转化
模型包括输入层,隐藏层和输出层;每个关键词在词典中都会有自己的编号以及对应的
one-hot向量,one-hot向量作为输入层的输入;输入层与一个第一矩阵相乘得到隐藏
层,隐藏层继而跟一个第二矩阵相乘得到输出层;目标函数旨在拉近输入层和输出层
之间的距离,使两者尽可能相近;转化模型将输入的one-hot向量乘第一矩阵的结果作
为关键词的词向量,第一矩阵的每一列都是训练好的词向量;通过已有的文本数据对
转化模型进行训练,得到训练完成的转化模型,进而获得各个关键词所对应的词向量。
S2:构建宽度特征提取模块;
采用扁平的宽度结构构建宽度特征提取模块,旨在提取出关键词中包括的重要特征以及关键词间的复杂联系;宽度特征提取模块以关键词转化的词向量作为输入,宽度特征提取模块的构建过程包括以下步骤:
S2.1、定义宽度特征提取模块的数据输入格式,定义单个样本数据为只包括关键词的文本,宽度特征提取模块的输入规格将受样本数量,样本长度影响,具体如下:
对于一组训练的数据,,表示样本数量,表示第i个样
本数据,包括多个反映建筑工地情景的关键词;表示第i个样本数据的样本标签;表
示输入到宽度特征提取模块的样本数据,,,表示一个样本
数据中关键词的最大数量,表示词向量的大小;,,表示样本
数据的输出矩阵,又称为目标空间,表示标签类别;在建筑工地风险分析场景中,代
表着建筑工地施工情景的风险等级,包括物体打击、机械伤害、触电、高处坠落和坍塌;
S2.2、构建宽度特征提取模块的特征层,具体如下:
通过将词向量一一映射到新的子空间的形式,来获取单个关键词的特征表示;子空间由小到大分别为特征节点、特征节点组和特征层;其中,特征层只有一个且包括多个特征节点组,每个特征节点组包括多个特征节点;
定义特征层为,,M表示特征节点组的数
量;单个特征节点组与特征节点的关系表示为,,表示第m个
特征节点组,表示第m个特征节点组中第j个特征节点,为每个特征节点组内特征
节点的数量;第m个特征节点组中第个特征节点表示为,
和分别为随机生成的第m个特征节点组中第j个特征节点的权重和偏置,为第一激
活函数,第一激活函数采用tanh;
S2.3、构建宽度特征提取模块的全局增强层,具体如下:
在已获得的宽度特征提取模块的特征层的基础上,构造第一随机矩阵和第二
随机矩阵参与计算,得到具有全局信息的增强节点,为
第二激活函数,第二激活函数采用sigmod函数;全局增强层表示为多个特征节点合
并,即;其中,表示第个增强节点,由特征层、第一随机
矩阵和第二随机矩阵计算得到。
S3:构建特征节点组切片并定义切片运算过程;
所述特征节点组切片,通过将大尺寸的矩阵分成多个小矩阵,达到减少计算复杂度,加快计算速度的作用;构建特征节点组切片包括以下步骤:
S3.1、定义特征节点选择策略,具体如下:
在特征层的所有特征节点组中,通过特征节点选择策略选取部分特征节点,即进
行特征节点选择;定义在第轮特征节点选择中,每个特征节点组激活的特征节点的数量
为;定义每个特征节点都具有一个置信值,在第m个特征节点组的第轮特征节点选择
中,第个特征节点的置信值的计算公式为:
定义概率,以为概率在个特征节点中选择
个特征节点;若出现同一特征节点被多次选中,则抛弃最后一次的选择结果并重新选择,直
至不出现重复选择的特征节点;定义二值矩阵描述第轮特征节点选择,,为二值矩阵中第行第列的元素;如果为1,则代表第个特征节点组的第
个特征节点被激活;如果为0,则代表第个特征节点组的第个特征节点不参与计
算;
则经过轮特征节点选择后,得到记录切片中已激活的特征节点信息的矩阵集,其中,为第轮特征节点选择得到的二值矩阵;特征节点组切片
集表示为,其中,表示以二值矩阵对特征层进行筛
选所得到的特征节点组切片;特征节点组切片集中的每个元素为多个选中的特征节点
拼接而成的矩阵;
S3.2、构造切片运算输入层,具体如下:
S3.3、进行切片运算,具体如下:
S4:使用集成层对多个切片运算结果进行校正和统合;
对于特征节点组切片对应的切片运算的结果,,将切片
运算的结果映射到一个子网络空间,是一个径向基函
数,和采用稀疏自编码器生成;将所有特征节点组切片对应的切片运算的结果映
射得到的多个子网络空间进行合并,得到了;定义第二权重,
使得,Y表示目标空间;通过以下公式计算得到:
S5:进行建筑施工过程风险分类过程具体如下:
本实施例中,当步骤S3.1中时间轮次最大为1时,本发明所述的方法结构如图3
中所示,此时特征节点组切片集只包含一个特征节点组切片,切片输出结果数量
只有一个,集成层只对单个切片运算结果进行校正和统合。
实施例2:
本实施例中,当步骤S2.3中构建宽度特征提取模块的全局增强层中的第一随机矩
阵为空时,本发明结构如图4中所示,此时特征节点组切片集包含只包含文本的局
部信息,集成层对多个包含局部信息的切片运算结果进行校正和统合。
实施例3:
在样本1“雷电绕击瞬时造成线路16 号杆绝缘子闪络,使零序和接地距离保护动作断路器跳”,样本2“接地开关A相动、静触头有明显的电弧烧伤痕迹,母线托架、支柱绝缘子熏黑”与样本3“冲洗水四处蔓延、溢流,水浸电缆管,造成地下埋设的照明线路220V电源相线与钢套管短路”中,实施例1可以准确将样本1归类,实施例2可以准确将样本2归类,实施例3可以准确将样本3归类。
本发明的优势体现在本发明与同类别的方法在建筑工地事故数据集A上表现更优,该建筑工地事故数据集包含三个类别,中毒,触电,机械伤害共323个样本,属于少样本数据集。本发明与其他方法如CEBLS(Universal approximation capability of broadlearning system and its structural variations), LSTM-BLS(Novel efficient rnnand lstm-like architectures: Recurrent and gated broad learning systems andtheir applications for text classification), TextCNN(Convolutional NeuralNetworks for Sentence Classification)的对比结果如表1。本发明在精确度和F分值上比同类方法更加优秀,在训练时间上也与同类对比方法中最省时的处于同一量级。
表1
精确率 | F分值 | 训练时间/秒 | |
本发明 | 0.8796 | 0.8617 | 0.2992 |
CEBLS | 0.824 | 0.7947 | 0.1517 |
LSTM-BLS | 0.7592 | 0.7476 | 1.033 |
TextCNN | 0.7265 | 0.6813 | 242.25 |
上述流程为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于宽度学习网络的建筑施工过程风险分类方法,其特征在于,包括以下步骤:
S1:建立关键词到词向量的转化模型;
S2:构建宽度特征提取模块;
S3:构建特征节点组切片并定义切片运算过程;
S4:使用集成层对多个切片运算结果进行校正和统合;
S5:进行建筑施工过程风险分类。
2.根据权利要求1所述的一种基于宽度学习网络的建筑施工过程风险分类方法,其特征在于,步骤S1中,关键词包括多个建筑工地的属性,建筑工地的属性包括建筑工地的现场环境条件、工人的操作手法和其它的人为因素;通过有限个建筑工地的属性,表示各种各样的建筑工地情况,暗示即将出现的伤害和风险。
3.根据权利要求2所述的一种基于宽度学习网络的建筑施工过程风险分类方法,其特
征在于,步骤S1中,采用word2vect构建关键词到词向量的转化模型,word2vect属于监督学
习,转化模型包括输入层,隐藏层和输出层;每个关键词在词典中都会有自己的编号以及对
应的one-hot向量,one-hot向量作为输入层的输入;输入层与一个第一矩阵相乘得到
隐藏层,隐藏层继而跟一个第二矩阵相乘得到输出层;目标函数旨在拉近输入层和输
出层之间的距离,使两者尽可能相近;转化模型将输入的one-hot向量乘第一矩阵的结
果作为关键词的词向量,第一矩阵的每一列都是训练好的词向量;通过已有的文本数
据对转化模型进行训练,得到训练完成的转化模型,进而获得各个关键词所对应的词向量。
4.根据权利要求1所述的一种基于宽度学***的宽度结构构建宽度特征提取模块,旨在提取出关键词中包括的重要特征以及关键词间的复杂联系;宽度特征提取模块以关键词转化的词向量作为输入,宽度特征提取模块的构建过程包括以下步骤:
S2.1、定义宽度特征提取模块的数据输入格式,定义单个样本数据为只包括关键词的文本,宽度特征提取模块的输入规格将受样本数量,样本长度影响;
S2.2、构建宽度特征提取模块的特征层,具体如下:
通过将词向量一一映射到新的子空间的形式,来获取单个关键词的特征表示;子空间由小到大分别为特征节点、特征节点组和特征层;其中,特征层只有一个且包括多个特征节点组,每个特征节点组包括多个特征节点;
S2.3、构建宽度特征提取模块的全局增强层。
8.根据权利要求7所述的一种基于宽度学习网络的建筑施工过程风险分类方法,其特征在于,步骤S3中,所述特征节点组切片,通过将大尺寸的矩阵分成多个小矩阵,达到减少计算复杂度,加快计算速度的作用;构建特征节点组切片包括以下步骤:
S3.1、定义特征节点选择策略,具体如下:
在特征层的所有特征节点组中,通过特征节点选择策略选取部分特征节点,即进行特
征节点选择;定义在第轮特征节点选择中,每个特征节点组激活的特征节点的数量为;
定义每个特征节点都具有一个置信值,在第m个特征节点组的第轮特征节点选择中,第
个特征节点的置信值的计算公式为:
定义概率,以为概率在个特征节点中选择个特征节
点;若出现同一特征节点被多次选中,则抛弃最后一次的选择结果并重新选择,直至不出现
重复选择的特征节点;定义二值矩阵描述第轮特征节点选择,,为二
值矩阵中第行第列的元素;如果为1,则代表第个特征节点组的第个特征节
点被激活;如果为0,则代表第个特征节点组的第个特征节点不参与计算;
则经过轮特征节点选择后,得到记录切片中已激活的特征节点信息的矩阵集,其中,为第轮特征节点选择得到的二值矩阵;特征节点组切片集
表示为,其中,表示以二值矩阵对特征层进行筛选所得
到的特征节点组切片;特征节点组切片集中的每个元素为多个选中的特征节点拼接而
成的矩阵;
S3.2、构造切片运算输入层,具体如下:
S3.3、进行切片运算,具体如下:
10.根据权利要求1~9任一项所述的一种基于宽度学习网络的建筑施工过程风险分类方法,其特征在于,步骤S5中,进行建筑施工过程风险分类过程具体如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158599.2A CN115249133B (zh) | 2022-09-22 | 2022-09-22 | 一种基于宽度学习网络的建筑施工过程风险分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158599.2A CN115249133B (zh) | 2022-09-22 | 2022-09-22 | 一种基于宽度学习网络的建筑施工过程风险分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115249133A true CN115249133A (zh) | 2022-10-28 |
CN115249133B CN115249133B (zh) | 2023-02-14 |
Family
ID=83700561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211158599.2A Active CN115249133B (zh) | 2022-09-22 | 2022-09-22 | 一种基于宽度学习网络的建筑施工过程风险分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115249133B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120023043A1 (en) * | 2010-07-21 | 2012-01-26 | Ozgur Cetin | Estimating Probabilities of Events in Sponsored Search Using Adaptive Models |
CN109597891A (zh) * | 2018-11-26 | 2019-04-09 | 重庆邮电大学 | 基于双向长短时记忆神经网络的文本情感分析方法 |
CN111641598A (zh) * | 2020-05-11 | 2020-09-08 | 华南理工大学 | 一种基于宽度学习的入侵检测方法 |
CN111723874A (zh) * | 2020-07-02 | 2020-09-29 | 华南理工大学 | 一种基于宽度和深度神经网络的声场景分类方法 |
CN111897961A (zh) * | 2020-07-22 | 2020-11-06 | 深圳大学 | 一种宽度神经网络模型的文本分类方法及相关组件 |
CN112989414A (zh) * | 2021-03-21 | 2021-06-18 | 贵州大学 | 基于宽度学习的移动业务数据脱敏规则生成方法 |
CN113098910A (zh) * | 2021-05-13 | 2021-07-09 | 福州大学 | 基于时空粒度和三宽度学习的网络入侵检测方法及*** |
-
2022
- 2022-09-22 CN CN202211158599.2A patent/CN115249133B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120023043A1 (en) * | 2010-07-21 | 2012-01-26 | Ozgur Cetin | Estimating Probabilities of Events in Sponsored Search Using Adaptive Models |
CN109597891A (zh) * | 2018-11-26 | 2019-04-09 | 重庆邮电大学 | 基于双向长短时记忆神经网络的文本情感分析方法 |
CN111641598A (zh) * | 2020-05-11 | 2020-09-08 | 华南理工大学 | 一种基于宽度学习的入侵检测方法 |
CN111723874A (zh) * | 2020-07-02 | 2020-09-29 | 华南理工大学 | 一种基于宽度和深度神经网络的声场景分类方法 |
CN111897961A (zh) * | 2020-07-22 | 2020-11-06 | 深圳大学 | 一种宽度神经网络模型的文本分类方法及相关组件 |
CN112989414A (zh) * | 2021-03-21 | 2021-06-18 | 贵州大学 | 基于宽度学习的移动业务数据脱敏规则生成方法 |
CN113098910A (zh) * | 2021-05-13 | 2021-07-09 | 福州大学 | 基于时空粒度和三宽度学习的网络入侵检测方法及*** |
Non-Patent Citations (1)
Title |
---|
李文龙等: "基于结构熵权-可信性测度理论的装配式建筑吊装施工安全风险评估", 《武汉大学学报(工学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115249133B (zh) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7302022B2 (ja) | テキスト分類方法、装置、コンピュータ読み取り可能な記憶媒体及びテキスト分類プログラム。 | |
RU2722571C1 (ru) | Способ распознавания именованных сущностей в сетевом тексте на основе устранения неоднозначности вероятности в нейронной сети | |
CN106980683B (zh) | 基于深度学习的博客文本摘要生成方法 | |
CN107766324B (zh) | 一种基于深度神经网络的文本一致性分析方法 | |
CN108647742B (zh) | 基于轻量级神经网络的快速目标检测方法 | |
WO2019210820A1 (zh) | 一种信息输出方法及装置 | |
CN108737406B (zh) | 一种异常流量数据的检测方法及*** | |
CN107832457A (zh) | 基于TextRank算法的输变电设备缺陷词库建立方法及*** | |
CN107566376A (zh) | 一种威胁情报生成方法、装置及*** | |
CN107506389B (zh) | 一种提取职位技能需求的方法和装置 | |
CN111767725B (zh) | 一种基于情感极性分析模型的数据处理方法及装置 | |
CN112231562A (zh) | 一种网络谣言识别方法及*** | |
CN106570513A (zh) | 大数据网络***的故障诊断方法和装置 | |
CN105260356A (zh) | 基于多任务学习的中文交互文本情感与话题识别方法 | |
CN106778878B (zh) | 一种人物关系分类方法及装置 | |
CN115796181A (zh) | 一种针对化工领域的文本关系抽取方法 | |
CN112925908A (zh) | 一种基于Attention的图注意力网络的文本分类方法及*** | |
CN110717040A (zh) | 词典扩充方法及装置、电子设备、存储介质 | |
CN104536979A (zh) | 主题模型的生成方法及装置、主题分布的获取方法及装置 | |
CN111866004A (zh) | 安全评估方法、装置、计算机***和介质 | |
Yin et al. | Sentiment lexical-augmented convolutional neural networks for sentiment analysis | |
CN113869052A (zh) | 基于ai的房屋地址匹配方法、存储介质及设备 | |
CN114860882A (zh) | 一种基于文本分类模型的公平竞争审查辅助方法 | |
CN114925702A (zh) | 文本相似度识别方法、装置、电子设备及存储介质 | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、***、介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |